贝叶斯决策问题

一、最小错误率贝叶斯决策:

       从最小错误率的要求出发,利用概率论重的贝叶斯公式,得出使错误率最小的分类决策,这就称之为最小错误率贝叶斯决策。使错误率最小的决策就是使后验概率最大的决策。可以表示为如下的几种形式:

      ①若P(w_i|x)=max P(w_j|x),则x\in w_i

      ②若P(x|w_i)P(w_i)=max P(x|w_j)P(w_j),则x\in w_i

      ③若\frac{P(x|w_1)}{P(x|w_2)}>\frac{P(w_2)}{P(w_j)},则x\in w_1

      ④若\left \{ h(x)=-lnP(x|w_1)+lnP(x|w_2) \right \}>ln\frac{P(w_1)}{P(w_2)},则x\in w_2

二、最小风险贝叶斯决策:

      同样,在处理事务进行选择的过程中,将风险降到最小的决策就是最小风险贝叶斯决策。对样本x,最小风险贝叶斯决策可以按照以下步骤进行计算:

      ①利用贝叶斯公式计算后验概率:

                                                                P(w_j|x)=\frac{P(x|w_j) \cdot P(w_j)}{\sum_{i=1}^{c}P(x|w_i) \cdot P(w_i)}

      这里,P(w_j)是先验概率,P(w_j|x)是将x预测为w_j的后验概率。

      ②利用决策表,计算条件风险:

                                                           R(\alpha_i|x)={\sum_{j=1}^{c}\lambda(\alpha_i|w_j) \cdot P(w_j|x)},\left \{i=1,2,3,4...k\right \}

      其中,\lambda(\alpha_i|w_j)可以写作\lambda(\alpha_i,w_j),表示将状态为w_j的样本x,采取决策\alpha_i时所导致的损失。因此,R(\alpha_i|x)称为将样本x进行决策\alpha_i时的平均风险。

    ③在各种决策中选择风险最小的决策:

                                                                        \alpha = arg \underset{i=1,2,3,...,k}{min}R(\alpha_i|x)

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值